指令遵循 x 答案错误排名 | AI BENCHY

看看哪些 AI 模型在指令遵循上最容易遇到答案错误，更快找出薄弱点。

显示的模型数

7

失败总数

82

受影响最多的模型

失败原因

答案错误82 未遵循指令48 额外格式7 超时5 API 错误2 无答案2

分类

领域专项654 反AI技巧386 编程361 谜题求解275 常识问答244 综合95 通用智能90 指令遵循82 数据解析与提取66 工具调用5

82/82

排名	模型	公司	答案错误次数	分类得分	总成本	测试正确	响应时间（平均）
#297	Ling 3.0 Tiny none	Inclusionai	1	3.1	$0.000	0/2	2.44s
总测试数 2 错误测试数 2 总成本 $0.000 响应时间（平均） 2.44s
#298	Granite 4.1 8B none	IBM Granite	1	3.6	$0.007	0/2	344ms
总测试数 2 错误测试数 2 总成本 $0.007 响应时间（平均） 344ms
#299	Nemotron 3.5 Lightning none	NVIDIA	1	6.5	$0.007	1/2	511ms
总测试数 2 错误测试数 1 总成本 $0.007 响应时间（平均） 511ms
#303	Grok 4.1 Fast none	X AI	1	3.0	$0.008	0/2	685ms
总测试数 2 错误测试数 2 总成本 $0.008 响应时间（平均） 685ms
#306	Laguna Xs.2 none	Poolside	1	6.5	$0.004	1/2	439ms
总测试数 2 错误测试数 1 总成本 $0.004 响应时间（平均） 439ms
#309	Nemotron 3 Nano Omni 30b A3b Reasoning none	NVIDIA	1	4.8	$0.000	0/2	541ms
总测试数 2 错误测试数 2 总成本 $0.000 响应时间（平均） 541ms
#311	LFM2-24B-A2B none	Liquid	1	6.3	$0.001	1/2	752ms
总测试数 2 错误测试数 1 总成本 $0.001 响应时间（平均） 752ms

←

1 2 3 4 5 6

按答案错误次数排名的顶级模型

答案错误次数对比分数

按响应时间（平均）排名的顶级模型

按预估浪费成本排名的顶级模型